一种用于估算交通事故风险的定量方法论框架，该框架采用了“瑞士奶酪模型”（Swiss Cheese Model）

《International Journal of Injury Control and Safety Promotion》：A quantitative methodological framework for traffic accident risk estimation using the Swiss Cheese Model

　　摘要
本论文提出了一种基于瑞士奶酪模型（Swiss Cheese Model）的定量框架，用于估计交通事故风险。虽然瑞士奶酪模型被广泛认可为解释事故原因的有效工具，但其应用迄今仍主要停留在定性和描述性层面。为了解决这一局限性，本文将瑞士奶酪模型的不足之处转化为可测量的风险因素，并通过系统级轨迹的形式模拟这些因素的多层交互作用。该框架在正常和危险条件下推导出代表性数值，构建系统级轨迹，并利用机器学习技术估算交通事故风险。实证分析证明了该框架识别高风险配置的能力，其中最高风险配置相对于基线条件表现出更高的事故风险预测值。研究结果表明，该框架能够将瑞士奶酪模型从一个事后解释工具提升为一个系统级分析框架，为基于数据的高风险配置识别提供方法论基础，从而支持主动的交通安全管理及政策制定。

关键词：瑞士奶酪模型；交通事故风险；定量框架；风险建模；安全管理；机器学习

引言
交通事故是一个重大的社会问题，会导致人员伤亡、社会损失、物质破坏以及经济损失（Fumagalli等人，2017年）。交通事故的原因多种多样，包括驾驶员和行人的行为因素、天气条件等环境因素，以及与道路和交通环境相关的因素。这些因素彼此紧密交织、相互作用（Infante等人，2023年；Yin等人，2025年）。以往大多数分析交通事故原因的研究都集中在少数风险因素与事故发生之间的相关性上（Ahmed等人，2023年；Srisurin和Chalermpong，2021年；Wang等人，2023年）。然而，在现实世界的事故中，往往涉及多个因素，且风险水平会随着这些因素的复杂相互作用而增加或减少（Carrodano，2024年）。然而，传统的研究往往忽略了事故背后的复杂系统级结构，因此采用一种考虑多个风险因素交互作用的系统方法至关重要，以识别这些因素的组合如何导致交通事故。

本研究旨在利用瑞士奶酪模型（SCM）来解释交通事故的发生机制。SCM是一种多层次的事故成因模型，从系统角度描述事故发生的整个过程（Reason等人，2006年）。该模型认为，当不同防御层次中的多个“漏洞”（即缺陷）偶然对齐时，事故便会发生，从而形成事故发生的路径（如图1所示）。SCM作为一种结构模型，能够系统性地解释交通事故的原因。由于交通事故并非由单一因素造成，而是多种因素复杂交互的结果，因此它非常适合捕捉事故发生的多方面本质。基于此，本文采用SCM来分析多层风险配置如何影响交通事故风险。

图1.瑞士奶酪模型的概念示意图（标记1）。

本研究有三个主要目标：首先，验证SCM作为解释交通事故过程工具的适用性；其次，通过分析影响事故发生的多个风险因素之间的关系来识别高风险配置；第三，从系统角度确定改进的重点领域以提升交通安全；最后，将整个分析过程纳入一个统一的分析框架中。为实现这些目标，本文提出了一个基于机器学习的分析框架，并使用韩国首尔主干道交叉口的真实交通事故数据进行了实证分析以验证该框架的可行性。

尽管SCM已被广泛用于解释交通事故的发生过程，但其应用大多局限于事后的定性分析（Ren等人，2008年）。本研究旨在克服这一局限性，提出了一种基于SCM理论的定量预测交通事故风险的方法，使SCM能够超越定性和事后评估的局限，成为识别和预防高风险条件的主动工具。此外，通过提出一个基于SCM定量分析的通用分析框架，该方法论可以应用于不同的时间、空间和情境中，从而增强其对各种交通安全分析的适应性和相关性。

文献综述
瑞士奶酪模型（Swiss Cheese Model，SCM）
SCM最早于20世纪80年代末提出（Reason等人，1990年、2000年、2016年）。研究发现，在Flixborough和切尔诺贝利等重大灾难事件中，事故的发生往往与高级组织结构和工作条件有关。虽然事故的直接原因可能归因于人为错误，但Reason认为，如果不考虑更广泛的系统背景，这些事件是无法完全解释的。需要注意的是，最初提出系统级解释的概念并未包含组织结构和系统级弱点的综合考虑。尽管如此，SCM的重要性在于它将基于系统的解释框架化为一个直观的模型（Perrow，1984年；Turner，1978年）。Reason最初提出的模型被称为Mark 1模型，该模型将系统比喻为瑞士奶酪的切片（Ren等人，2008年）。在该模型中，每个防御层次中的漏洞代表系统级缺陷；当这些漏洞偶然对齐时，危险就会穿透所有层次，导致事故发生（见图1）。

Mark 2模型作为Mark 1的扩展，强调组织层面的失败是导致缺陷的原因（Ren等人，2008年）。最近提出的Mark 3模型则突出了防御层次的动态特性，即漏洞的位置和大小会随时间变化，反映了系统与防御层次之间的交互作用。从Mark 1到Mark 3的发展过程中，SCM强调了系统内多个防御层次之间的交互作用，特别指出事故很少由单一缺陷引发，而是一个系统性的结果。因此，SCM是事故调查的基础理论模型，适用于需要安全管理的多个领域，并已在实践中得到广泛应用。例如，澳大利亚航空安全调查局（BASI）、加拿大运输安全委员会（TSB）、美国医学研究所和英国卫生部均采用了SCM进行安全管理（Perneger等人，2005年；Ren等人，2008年；Reason，2000年）。

关于SCM的文献综述还探讨了其发展背景、潜在局限性、常见批评意见及相应的反驳观点（Ren等人，2008年）。研究详细讨论了SCM如何从Mark 1发展到Mark 3。SCM作为一个定量分析工具的局限性被指出，因为其最初设计目的是作为沟通工具，而非正式的分析结构。作者认为，过度 rigid 地使用SCM进行事故分析是十分危险的。此外，也有研究指出，传统的事故模型倾向于寻找单一事故原因，而SCM更适合用于识别可能导致事故发生的潜在风险因素，为预防性干预措施提供依据（Toto和Limone，2019年）。他们强调了SCM在发现复杂因果关系方面的有效性，并发现组织系统的结构缺陷和人为因素（如驾驶员培训不足）是事故的重要原因。最终，作者认为SCM不仅可用于描述事故过程，还可作为制定预防措施的主动框架。

SCM已被用于研究印度尼西亚的公交车和货车事故原因，并提出了相应的预防措施（Raharjo等人，2023年）。研究考虑了包括人为因素、车辆和基础设施条件以及工作环境因素在内的多种影响因素，还运用层次分析法（AHP）来确定各类别中需要优先干预的关键子标准。分析显示，当车辆维护不善或驾驶员的身体和心理能力达到极限时，事故风险显著增加。因此，作者认为定期车辆检查和监管措施对于管理驾驶员疲劳至关重要。不过，该研究的局限性在于缺乏定量验证。

SCM还被用于分析印度尼西亚铁路事故的复杂成因，并基于这些发现制定预防措施（Suryoputro等人，2015年）。研究将SCM的防御层次分为组织因素、技术因素和人为因素，并通过绘制重大铁路事故的因果关系图来应用该模型。通过案例分析，作者展示了在特定情况下各种潜在缺陷如何对齐导致事故。结果表明，铁路事故源于多重因素的交互和叠加。这项研究证实了SCM在识别铁路事故结构原因和检测各防御层次缺陷方面的适用性。此外，研究建议有效的预防措施需要采用SCM系统性地识别和解决整体系统中的潜在隐患。不过，该研究未包含定量分析或验证各防御层次的缺陷及其相互作用。

文献综述的总结
SCM的主要批评之一是它无法进行定量分析以识别模型中的“漏洞”或缺陷。这一局限性的根源在于SCM最初是作为定性工具开发的，因此无法仅基于SCM框架定量描述缺陷的形成过程或原因。在SCM中，缺陷的具体形成机制和原因由分析师主观确定，从而引入了不可证伪性的局限。有人指出，SCM无法回答关键问题，例如缺陷在防御层次中的位置、原因、空间存在方式，以及漏洞的大小和位置的动态性（Dekker，2002年）。对此，有观点认为SCM只是一个理论模型，尚未被开发用于科学、实验或工程应用（Shappell和Wiegmann，2000年）。他们强调，需要进一步的方法论和工程探索才能将SCM有效应用于实际事故分析（Larouzee和Le Coze，2020年）。

基于SCM的交通事故风险估计分析过程
在设计分析框架之前，首先需要明确分析的范围，即交通事故风险的估算范围。研究范围的定义可以根据研究目标、目的、目标、可用资源、数据和预期结果来确定。它们通常被划分为三个维度：时间、空间和主题。防御层的定义每个供应链管理（SCM）中的防御层都包含多个风险因素，这些因素共同形成一个供应链管理轨迹，即交通事故，从而形成了一个多层次的结构。每个防御层包含与交通事故相关的多个风险因素，这些风险因素在层内的规模和位置可能有所不同。风险因素作为防御层的缺陷，影响事故发生的可能性。当SCM概念最初被提出时，防御层包括诸如组织影响、监督不足、危险条件的前兆和不安全操作行为等要素（Shabani等人，引用2024年）。应当注意的是，单个防御层中存在的缺陷并不一定会导致交通事故。只有当所有防御层同时对齐，形成一个在每一层都传递缺陷的轨迹时，才会发生交通事故（Liu等人，引用2024年）。由于目标是提出一个基于SCM定量分析交通事故发生风险的框架，因此每个防御层都必须设计成包含对事故发生有显著贡献的各种风险因素。因此，本研究回顾了有关交通事故风险因素的现有文献，以确保防御层涵盖了广泛的相关维度。因此，SCM中的防御层可以构建为代表社会、文化、制度、物理、环境和人类行为层面。这些防御层的选择和组成可能因分析背景和研究目的而异，可由研究人员自行决定。每个防御层中缺陷的定义在定量框架中，“缺陷”的抽象概念被具体化为可测量的交通事故风险因素。因此，每个防御层包含代表其缺陷的具体风险因素。例如，在物理层中，可能包括车道数量平均数、道路宽度平均数和信号执法摄像头数量等因素。这些缺陷在每个防御层中的规模和位置由每个因素对事故发生的影响程度决定。例如，如果物理层中车道数量平均数对交通事故的影响最大，其次是道路宽度平均数，而信号执法摄像头数量的影响为零，则缺陷的规模将按车道数量平均数和道路宽度平均数的顺序依次最大。与信号执法摄像头数量相关的缺陷不会出现在该层中，因为它对事故发生没有影响。使用排列重要性来分析每个风险因素的影响。排列重要性是一种直观量化每个独立变量作为模型输入对预测变量（即本研究中的交通事故发生风险）贡献的指标。它广泛用于解释基于树的模型（Breiman，引用2001年）。该技术通过排列变量的值来估计其重要性，从而防止模型从中学习，并将结果性能与原始基线进行比较。通过计算SCM框架中考虑的所有风险因素的排列重要性，可以定量确定每个缺陷的规模。高排列重要性值表明相应变量对事故发生有强烈影响。相反，排列重要性值为零则表示该风险因素与事故发生无关。鉴于与事故发生无关的因素不能被视为SCM中的缺陷，因此将它们排除在防御层之外。在使用排列重要性定义了每个防御层中存在的缺陷类型后，推导出了正常条件和危险条件下的代表性值，以反映缺陷规模的变化。根据SCM理论，防御层内缺陷的规模越大，形成供应链管理轨迹的可能性就越高。因此，为了捕捉这种变化，数据集被分为两组，一组代表低风险条件，另一组代表高风险条件，并分别为每组推导出代表性值。Jenks自然分组建立法被用于数据分割。这种方法确定能够最小化类内方差同时最大化类间方差的断点，非常适合分割偏斜的数据集（Gui等人，引用2025年）。鉴于交通事故数据通常表现出高度偏斜的分布，其中大部分观察值涉及少量事故，Jenks自然分组建立法适用于此分析。核密度估计（KDE）应用于交通事故数据，并将其分为正常和危险条件组，以推导出每组的代表性值。KDE是一种非参数方法，通过叠加一系列高斯核来估计数据的概率分布，从而近似数据的频率。尽管这种方法没有直接考虑估计的不确定性，但它有效地揭示了数据的潜在结构和其实证分布特性（Spencer等人，引用2017年）。通过KDE估计的概率密度函数被可视化为核密度图（KDP），这使得可以直观地识别高浓度区域。对于SCM防御层中包含的每个风险因素，使用核密度的质心作为每种条件（正常和危险）的代表性值。质心反映了整个数据分布的平均位置，从而在所有观察值中提供了高度的代表性。然而，对于分类变量，使用质心可能会产生不可解释的连续值。例如，考虑分类变量“一周中的天数”，其中类别值1、2、3等分别代表周一、周二、周三等。如果一周中天数的质心估计为4.5，则得到的值缺乏明确的解释，因为它不对应于任何特定的日子。因此，对于分类变量，代表性值被定义为最接近KDP峰值的整数类别。生成SCM轨迹和预测交通事故风险SCM轨迹代表交通事故的发生。因此，生成SCM轨迹的概率可以定义为交通事故的风险。当所有SCM防御层中的缺陷偶然对齐时，就会生成表示交通事故的SCM轨迹。因此，生成SCM轨迹概率最高的配置对应于交通事故风险最高的配置。为了识别这种配置，从SCM的每个防御层中选择一个缺陷来生成所有可能的组合。对于每个组合，使用极端梯度提升（Xgboost）根据正常和危险条件的代表性值来预测交通事故的数量。Xgboost是一种基于树的集成模型，能够灵活捕捉变量之间的非线性关系和交互作用。为了防止预测受到未包含在组合中的风险因素的影响，仅使用每个组合中存在的变量重新训练Xgboost模型。在训练过程中，采用了网格搜索来进行超参数调整。因此，生成最多交通事故数量的组合被认为是SCM轨迹生成概率最高的配置，即交通事故风险最高的配置。这表明组成这种配置的风险条件的结合导致了最危险的事故发生情况。SCM防御层及其个别缺陷的影响分析由于交通事故是由多个风险因素的复杂交互作用引起的，因此系统级的分析方法对于准确反映事故发生的根本机制至关重要。进行了对每个防御层和个别风险因素对交通事故可能性影响的分析。目的有两个：首先，量化每个防御层的相对影响，从而为交通安全改进的优先级提供信息；其次，检查个别风险因素的影响与识别出的高风险配置的影响有何不同。为了与之前推导出的高风险配置进行比较，使用了相同的排列重要性方法。排列重要性量化了每个独立变量对预测因变量的贡献。较高的排列重要性得分表明对事故发生有更大的影响。此外，分组排列重要性是这种方法的一种扩展，它随机排列分组变量以打破组内关联，并评估预测准确性的下降，以估计每个组的重要性。这种方法使得即使在单一高风险配置内也可以比较评估每个防御层的影响，从而为确定改进优先级提供数据驱动的基础。然而，需要注意的是，通过排列重要性得出的影响并未考虑风险因素之间的相关性。根据本研究的基本前提，交通事故不是由单一原因引起的，而是由相互作用的系统性地纠缠的风险因素集合引起的。因此，个别风险因素的排列重要性可能得出的结果与高风险配置的结果不同，因此应将其解释为补充参考数据而不是决定性证据。基于SCM的分析框架用于估计交通事故风险提出了一种新的分析方法论，以定量解释基于SCM理论的交通事故风险。目的是将所提出的方法论形式化为一个通用框架。尽管交通流量、行人流量和道路基础设施在不同地区可能存在很大差异，这些差异可能需要调整分析方法，但通用方法论具有广泛的适用性，可以应用于不同的分析环境——包括社会、文化、物理、制度和人类行为领域——从而允许即使在分析地点的特征与其他潜在应用地点之间存在显著差异时，也能使用相同的方法论。通过提出这样的通用框架，本研究旨在确保分析过程的方法论一致性、可持续性和可重复性。例如，当未来的研究使用在时间、空间或主题范围上不同的交通事故数据集时，该框架可以应用于设计SCM，以解释交通事故的发生并识别反映分析地点交通事故系统特征的高风险配置。所提出方法的通用框架如图2所示。图2. 基于SCM的分析交通事故风险框架。阅读该图的详细描述一个详细的多面板流程图，说明了交通事故风险预测的方法论。它包括以下阶段：1. **研究范围定义**（时间、空间、主题和数据收集）。2. **构建SCM**（排列重要性和防御层）。3. **推导代表性值**（正常和危险条件）。4. **SCM轨迹生成与风险预测**（使用XGBoost，识别高风险配置）。5. **影响评估与交通安全政策应用**（比较防御层，确定改进优先级）。展示全尺寸使用真实道路数据进行实证分析，以验证之前提出的基于SCM的分析交通事故风险的框架。为此，收集了现实世界的交通事故数据以及反映研究地点的社会、文化、制度、物理、环境和人类行为特征的各种类型的信息。按照框架中概述的程序，定义了研究范围，指定了防御层及其缺陷，并预测了所有可能的SCM轨迹的交通事故发生风险。随后，识别出预测事故风险最高的配置，并通过测试当在实证数据中观察到这种配置时事故风险是否增加来检验其有效性。范围定义与数据收集为了验证框架，实证分析的时间范围为2019年至2023年的五年间，数据以3小时为间隔进行处理。空间范围涵盖了韩国首尔所有主干道上的交叉口，每个交叉口的定义为中心点周围150米的半径范围。主题范围涉及定量分析过程，该过程利用每个性交口每3小时聚合的交通事故数据来识别SCM轨迹，即事故风险最高的配置。然后将这种高风险配置的预测事故风险与基准事故风险进行比较，以确定所提出的框架是否有效识别出与事故风险增加相关的配置。

## 交通事故数据的收集
为了进行实证分析，收集了交通事故数据以及与事故发生相关的各种风险因素数据集。为了改进验证过程，构建了一个包含社会、文化、制度、物理、环境和人类行为信息的综合数据集，从而从多个维度考虑了交通事故因素。详细信息如下：
- 交通事故数据来自韩国国家警察厅，作为单独的事故记录。这些记录根据韩国《道路交通法》第2条编制，仅包括报告给警察的、涉及道路上车辆交通造成人员伤亡的事故。仅造成财产损失的事故被排除在外。在本研究中，每个交叉口的事故数量被用作因变量。
- 使用韩国交通安全管理局（Korea Transportation Safety Authority）的交通安全信息管理系统（TMACS）提供的交通文化指数数据来考虑社会和文化因素对交通事故的影响。交通文化指数每年在全国229个市镇进行调查，分为四个类别：驾驶行为领域得分、交通安全领域得分、行人行为领域得分和综合交通文化指数。驾驶和行人行为领域得分基于现场观察和调查数据进行评估，而交通安全领域得分则使用市镇的行政记录和交通事故统计数据来评估，所有这些都在连续尺度上测量。与其他层次中的变量不同，社会文化层次的变量是每年收集的，因此时间粒度相对较低。然而，由于社会文化特征反映了长期积累的行为模式，因此理论上不需要高时间粒度。
- 为了考虑物理和制度因素对交通事故的影响，数据来自韩国国家交通信息中心，包括国家标准节点链接数据集、速度监测摄像头数据和道路信息。这些变量的例子包括平均速度限制、速度监测摄像头数量和平均道路宽度等，详细信息见表1。

## 表1. SCM防御层的配置
下载CSV
显示表格

## 环境因素的数据
代表环境因素的数据被分类为气象因素和时间因素。如表1所示，韩国气象厅收集的气象因素包括观测温度、观测降水量和观测湿度，这些因素预计与交通事故的发生有关。时间因素包括月份、一天中的时间、星期几和节假日等变量。

## 人类行为因素
研究了11种危险驾驶行为的数据。韩国交通安全管理局（TS）最初定义了11种交通安全教育和咨询类型。在本研究中，只包括了与交通事故风险相关的行为。对以往研究关于危险驾驶行为与交通事故风险之间关系的回顾没有发现长期速度和突然转向之间存在显著关联（Jeong等人，2021年；Jin等人，2024年；Kim等人，2020年；Kim等人，2018年；Lee & Yeo，2018年；Moon等人，2019年；Park等人，2019年）。因此，这两个变量被排除在外，剩下的九种行为——超速、突然加速、突然起步、突然停车、突然变道、突然超车、突然左转和突然右转——被作为人类行为变量。为了清晰解释，这九种行为中重叠或模糊的类别被合并。结果，超速被保留为一个单独的因素；突然起步和突然加速被合并为突然加速；突然减速和突然停车被合并为突然减速；突然变道、突然超车、突然左转和突然右转被重新归类为突然转向。

## 数据预处理
所有用于分析的数据集都进行了预处理，以处理异常值和缺失数据。异常值是使用四分位数范围（IQR）方法识别的。IQR方法适用于非正态分布，并且对异常值的影响具有鲁棒性，因此适用于包含极端值的数据集（Whaley，2005年）。使用IQR方法检测到的异常值被视为缺失数据，所有缺失值（包括这些异常值）都被从分析中排除。

## 防御层的定义
由于数据收集的结果，最终用于分析的数据集包括一个因变量——交通事故数量——和24个自变量，经过预处理后共有78,287个观测值。这些自变量被分类以构建SCM防御层，如表1所总结的。总共定义了四个防御层：社会文化层、物理-制度层、环境层和人类行为层。每个层都包含了相关的风险因素作为缺陷。

## 每个防御层中缺陷的定义
在分析中考虑的风险因素中，使用排列重要性来过滤与交通事故发生无关的变量。鉴于排列重要性表示每个自变量对因变量的贡献，值为零的因子对交通事故数量没有影响，因此不能被视为缺陷。对所有候选变量的分析显示，社会文化层中的交通文化指数和环境层中的周末的排列重要性值为零。因此，这两个因素不能被视为防御层中的缺陷，从而被排除在后续分析之外。

## SCM轨迹的生成和交通事故风险的预测
为了考虑每种缺陷的正常和危险条件，使用Jenks自然断裂方法将数据分为两组，根据交通事故风险进行划分。第一组代表相对低风险的条件，每个观测单元有1-2起事故，平均事故数为1.17起，占数据集的93.16%。第二组代表相对高风险的条件，每个观测单元有3-34起事故，平均事故数为3.71起，占数据集的6.84%。交通事故是发生率极低的罕见事件（Theofilatos等人，2016年；Xiao等人，2023年）。因此，同一时间单元内危险组数据的比例较小，反映了事故发生的固有特征。

图3提供了一个示例，展示了两个代表性变量在两组之间的分布差异。事故风险较低的正常组（组1）用灰色显示，而事故风险较高的危险组（组2）用红色显示。第一个图显示了平均速度限制的分布，表明危险组更多地集中在较高的速度范围内。第二个图按星期几显示了分布情况，表明周末的事故风险比工作日更高。

该图有两个面板：面板A显示了两组平均速度限制的重叠直方图，x轴表示0到80的速度限制，y轴表示相对密度高达0.08。组1在30-35和45-50附近有明显的峰值，而组2在45-50附近的峰值更明显。面板B是一个堆叠条形图，显示了从星期一到星期日的相对频率。最高频率出现在星期六，不同的颜色段表示了两个组的贡献。

## 使用KDE推导正常和危险条件的代表性值
使用Jenks自然断裂方法将数据集分为两组，然后对每组应用核密度估计（KDE）来推导代表性值。通过在分析中使用这些特定于组的代表性值，反映了相对低风险和高风险的危险条件。这种方法考虑了SCM防御层内缺陷程度的变化。连续变量由KDE的质心表示，而分类变量则分配最接近峰值的类别值作为其代表性值。分类变量包括七个因素：路面材料、中央分隔带的存在、一天中的时间、月份、星期几、节假日和公共假日。正常组和危险组的代表性值列在表2中。对于某些因素，两组之间没有观察到代表性值的差异，这表明这些因素的共享代表性值与最高的交通事故风险相关。

## 每个SCM轨迹的交通事故风险预测
使用Jenks自然断裂方法，数据被分为两组，然后对每组应用核密度估计（KDE）来推导代表性值。通过使用这些特定于组的代表性值进行分析，反映了相对低风险和高风险的危险条件。这种方法考虑了定量分析中SCM防御层内缺陷程度的变化。连续变量由KDE的质心表示，而分类变量则分配最接近峰值的类别值作为其代表性值。分类变量包括七个因素：路面材料、中央分隔带的存在、一天中的时间、月份、星期几、节假日和公共假日。正常组和危险组的代表性值列在表2中。

## 对每个SCM轨迹的交通事故风险预测
使用SCM防御层中包含的每个风险因素的两个代表性值推导出所有可能的SCM轨迹。具体来说，社会文化层中有三个风险因素：物理-制度层中有七个，环境层中有八个，人类行为层中有四个。由于每个风险因素被分配了两个代表性值，可能的SCM轨迹总数通过以下计算得出：（社会文化层的三个因素×两个组）×（物理-制度层的七个因素×两个组）×（环境层的八个因素×两个组）×（人类行为层的四个因素×两个组），共计10,752个。然而，为了减少计算负担，当正常和危险条件下的代表性值相同时，只生成了一个组合。例如，由于月份变量在正常和危险条件下的代表性值相同，因此在组合生成过程中将其视为具有一个代表性值而不是两个不同的代表性值。结果，组合总数从10,752减少到6,912，计算负担减少了大约35.7%。

使用Xgboost和GridSearch预测每个SCM轨迹的交通事故数量。GridSearch是一种系统化的超参数选择程序，可以提高模型开发过程的可重复性和客观性。超参数搜索只在整个数据集上进行了一次，之后使用构成每个SCM轨迹的四个风险因素重新训练了Xgboost。这种方法的目的是为了控制由于SCM轨迹中未包含的其他因素引起的预测偏差。网格搜索结果表明，最佳参数是学习率0.01、最大树深度（max_depth）为4和树的数量（n_estimators）为200。

使用最优参数，预测了每个SCM轨迹的交通事故数量。按交通事故风险水平排序的结果显示在表3中。分析显示，在预测韩国首尔所有主干道交叉口的事故风险时，行人行为领域得分较低、平均速度限制较高以及突然加速频繁发生的交叉口具有最高的事故风险。行人行为领域得分的代表性值为16.38分，低于数据集的平均值。对于平均速度限制，配置中使用的代表性值对应于危险组（44.49公里/小时），表明平均速度限制较高的交叉口与更高的交通事故概率相关。关于月份变量，两组都指出了六月，表明这个月份的事故风险最高。同样，对于突然加速，危险组的代表性值（6.13倍）表明频繁的突然加速与交通事故风险增加有关。通过SCM轨迹预测交通事故风险的结果（排名前三的配置）。下载CSV文件 | 显示表格

**SCM防御层和个体风险因素影响的推导**
利用所提出的框架，得出了一个会增加交通事故风险的SCM轨迹。为了便于解释结果，量化了SCM中每个防御层以及对这些层内个体风险因素对交通事故风险的影响。

**首先，计算了每个防御层的组合排列重要性，如图4中的第一个图表所示。**结果表明，物理-制度层的组合排列重要性最高，其次是环境层、人为行为层和社会文化层。这表明从系统角度来看，物理-制度层对交通事故的发生影响最大，因此应优先考虑加强交通安全。然而，对于社会文化层，其组合排列重要性相对较低，可能是因为其风险因素数据是按年度收集的，导致数据变异性低于其他层。基于这一结果，可以推断在韩国首尔的干道交叉口中（本研究的空间背景），应优先加强物理-制度层以提高交通安全。

**图4. 防御层和缺陷类型（部分结果）对交通事故风险的影响。**
该图表包含两个并排的水平条形图。左侧图表按防御层显示排列重要性，类别包括：物理制度（0.0051）、环境（0.0049）、人为行为（0.0007）和社会文化（0.0001）。右侧图表显示缺陷类型：星期几（0.0038）最高，其次是平均速度限制（0.0022）和平均车道数（0.0016）。图表比较了变量的显著性，数值从上到下递减。

**其次，计算了构成每个防御层的各个风险因素的排列重要性，如图4中的第二个图表所示。**结果发现，星期几变量的排列重要性最高，其次是平均速度限制、平均车道数、一天中的时间、平均道路宽度和突然加速。与基于SCM分析产生的最高交通事故风险配置（包括行人行为领域得分、平均速度限制、月份和突然加速）相比，观察到一些差异。这一发现表明，在特定配置中，各个风险因素及其组合对交通事故风险的影响可能有所不同。因此，如果不从系统分析的角度出发，就无法有效捕捉交通事故风险因素之间的相互依赖性。

**分析结果的验证**
利用所提出的框架，验证了推导SCM轨迹的方法论，以确定其是否能够有效识别交通事故风险的增加。为了验证，选择了两个基于五年期间（2019-2023年）记录的交通事故数量不同的交叉口：一个事故数量最多，另一个最少。为了确保验证的可靠性，只考虑了五年期间至少记录了50起事故的交叉口。

**五年期间记录事故数量最多的交叉口是Seongsu Bridge North交叉口。**该交叉口是一个四车道交叉口，位于首尔Seongdong-gu区的城市区域，是一条交通繁忙、拥堵严重的主干道，毗邻首尔地铁2号线的Seongsu站和首尔森林公园，导致行人流量较大。根据收集的数据，该交叉口的平均事故率为每3小时1.765起。相比之下，当在该地点出现最高交通事故风险配置时，预计每3小时的事故数量增加到2.100起，这相当于事故风险增加了约18.98%，证实了所提出的框架能够正确识别出交通事故风险较高的情况。

**记录事故数量最少的交叉口是Digital-ro–Digital-ro 33-gil交叉口，**位于首尔Guro-gu区。这是一个四车道交叉口，平均车道数为4.25条，位于商业区，行人活动主要集中在白天，最高速度限制为40公里/小时。根据收集的数据，该交叉口的平均事故率为每3小时1.135起。当出现本研究识别出的最高交通事故风险配置时，预计每3小时的事故数量增加到1.249起，相当于事故风险增加了约10.04%。

**这两个验证地点不仅在交叉口规模（平均车道数：5.75对比4.25）上有所不同，**在交通构成（以车辆为主对比以行人为主）和时间交通模式（全天候交通对比主要集中在白天）上也存在差异。这种对比证实了所提出的框架能够在不同的交通环境下正确识别高风险配置。

**结论**
SCM被用来从系统角度分析交通事故风险因素。以往大多数关于交通事故原因的研究都集中在识别单一风险因素与交通事故发生之间的相关性上。然而，交通事故风险受到多个相互关联因素的影响，需要从系统角度来理解交通事故的发生。因此，本研究介绍了一个新的框架，该框架利用SCM理论——一个系统性地解释事故发生过程的定性模型——来定量分析交通事故风险。该框架的优势如下：首先，它能够基于系统方法进行定量分析，推导出在事故易发地点增加交通事故风险的配置；其次，它可以在不同的时间、空间和情境环境中广泛应用，从而有助于提升交通安全；第三，它超越了SCM作为事后解释工具的局限性，为主动的数据驱动型交通安全政策和制度措施提供了基础。

**为了使用真实世界数据验证所提出的框架，**使用了2019年至2023年间韩国首尔所有干道交叉口的交通事故发生数据和24个交通事故风险因素。在此基础上，将SCM的防御层划分为社会文化层、物理-制度层、环境层和人为行为层，并定义了每个层的缺陷。然后根据交通事故风险特征将数据集分为正常组和危险组，并为每组推导出代表性数值。随后生成所有可能的SCM轨迹以识别高风险配置。使用Xgboost进行的预测结果显示，当行人行为领域得分较低、平均速度限制较高且六月份频繁出现突然加速时，交通事故风险最高。

**接着，应用排列重要性来定量分析SCM防御层和个体风险因素的影响。**这种方法旨在估计每个防御层的相对重要性，以便为交通安全改进分配优先级，并更好地理解高风险配置之间的差异以及个体风险因素的影响。分析表明，SCM防御层的组合排列重要性在物理-制度层最高，表明应优先对其进行改进。然而，在个体风险因素层面，某个特定风险因素包含在高风险配置中并不一定意味着该因素对交通事故风险的贡献度高。这一发现强调了系统分析交通事故风险的必要性。

**最后，**选择了代表性地点来验证所提出框架在识别高风险交通事故配置方面的实际适用性。对高事故风险的大型城市交叉口的实证评估显示，在高风险配置下，预测的事故数量比实际观测到的数量高出约18.98%。同样，对事故风险相对较低的较小商业区交叉口的实证评估表明，在高风险配置下，预测的事故数量比基线水平高出约10.04%。这些发现表明，所提出的框架能从系统角度有效表示交通事故风险沿SCM轨迹的变化。

**所提出的框架可以作为一种定量决策工具，用于制定和优先考虑交通安全政策。**特别是，它通过考虑多层次风险因素来设计交通安全措施，可以应用于不同的时间、空间和情境分析设置，从而支持针对具体情况制定政策。此外，该框架有望超越现有事后交通安全政策的局限性，通过识别和解决具有高交通事故风险的配置，有助于建立主动的交通安全系统。

**局限性和未来研究**
所提出的框架及其实证分析存在几个局限性。首先，由于数据获取的限制，研究无法纳入更广泛的防御层和缺陷类型。此外，社会文化层的时间粒度相对较低，限制了其捕捉短期变化的能力，主要反映了长期的行为模式。更多样化且时间粒度更细的数据集将允许更详细地指定防御层和缺陷，从而更全面地解释交通事故的原因并更真实地再现交通场景。然而，数据可用性和获取的局限性限制了构建足够全面和细致的SCM模型以进行实证分析。因此，未来的研究应多样化并扩展使用的数据类型，并提高时间粒度，以提高结果的可靠性。

**其次，**本研究使用的事后事故数据验证了所提出的基于SCM的框架。虽然这是一种初步的实证方法，用于评估识别出的高风险配置是否与实际交叉口中增加的事故风险相关，但由于验证是回顾性的，因此无法完全确立框架的主动适用性。因此，未来的研究应考虑补充验证策略，包括使用新积累的事故数据进行前瞻性验证、在受控条件下的基于模拟的验证，以及使用突然加速和减速等替代安全指标进行验证。这些额外的验证工作将为所提出框架的实际效用提供更有力的证据。

**第三，**本研究建立了一个基于SCM的定量框架，用于系统地识别高风险配置。因此，开发实际干预措施以改善现实世界的交通安全超出了本研究的范围。因此，需要进一步的研究来开发有效控制与高风险配置相关风险因素的策略，从而提高交通安全。

**此外，**未来的研究可以从几个方向扩展当前的研究。首先，本研究侧重于分析与事故风险相关的系统级脆弱性，而不是区分事故的严重程度。因此，事故风险是根据事故数量评估的，没有区分不同伤害程度的事故。如果在未来研究中将事故严重程度作为因变量，并分别分析致命和非致命事故，分析范围可以从事故风险评估扩展到事故严重程度分析。其次，为了提高框架的时间适应性，应不断纳入新积累的事故数据并定期重新校准框架。这将使框架能够更准确地反映道路交通环境的时间变化。这些努力不仅有助于识别不断演变的高风险配置，还有助于动态监测交通事故风险。